使用keras实现简单的前向全连接神经网络

转载的原博客地址如下：

http://machinelearningmastery.com/tutorial-first-neural-network-python-keras/

下面是对该博客的几个关键点的记录：

1、可以设置随机数种子的时候,建议设置随机数种子,方便结果的复现.

[python] view plain copy

1. from keras.models import Sequential  
2. from keras.layers import Dense  
3. import numpy  
4. # fix random seed for reproducibility  
5. seed = 7  
6. numpy.random.seed(seed)  

2、

toy 数据的地址如下：http://archive.ics.uci.edu/ml/machine-learning-databases/pima-indians-diabetes/pima-indians-diabetes.data

加载数据的代码：

[python] view plain copy

1. # load pima indians dataset  
2. dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")  
3. # split into input (X) and output (Y) variables  
4. X = dataset[:,0:8]  
5. Y = dataset[:,8]  

3、定义模型

[python] view plain copy

1. # create model  
2. model = Sequential()  
3. model.add(Dense(12, input_dim=8, init='uniform', activation='relu'))  
4. model.add(Dense(8, init='uniform', activation='relu'))  
5. model.add(Dense(1, init='uniform', activation='sigmoid'))  

说明：Dense是全连接网络,只有第一层需要设定输入层的结点个数,其他都不需要

4、编译模型,就是自动将我们定义的代码,使用后端的代码tensorflow或theano去实现

[python] view plain copy

1. # Compile model  
2. model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])  

5、训练模型

[python] view plain copy

1. # Fit the model  
2. model.fit(X, Y, nb_epoch=150, batch_size=10)  

6、评估模型

[python] view plain copy

1. # evaluate the model  
2. scores = model.evaluate(X, Y)  
3. print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))  

7、进行预测

[python] view plain copy

1. # calculate predictions  
2. predictions = model.predict(X)  
3. # round predictions  
4. rounded = [round(x) for x in predictions]  
5. print(rounded)  

=============================================================

完整代码如下：

[python] view plain copy

1. # Create first network with Keras  
2. from keras.models import Sequential  
3. from keras.layers import Dense  
4. import numpy  
5. import sys  
6. # fix random seed for reproducibility  
7. seed = 7  
8. numpy.random.seed(seed)  
9. # load pima indians dataset  
10. dataset = numpy.loadtxt("pima-indians-diabetes.csv", delimiter=",")  
11. # split into input (X) and output (Y) variables  
12. X = dataset[:,0:8]  
13. Y = dataset[:,8]  
14. # create model  
15. model = Sequential()  
16. model.add(Dense(12, input_dim=8, init='normal', activation='relu'))  
17. model.add(Dense(8, init='normal', activation='relu'))  
18. model.add(Dense(1, init='normal', activation='sigmoid'))  
19. # Compile model  
20. model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy','binary_crossentropy'])  
21. # Fit the model  
22. model.fit(X, Y, nb_epoch=150, batch_size=10,  verbose=2)  
23. # evaluate the model  
24. scores = model.evaluate(X, Y)  
25. print("%s: %.2f%%" % (model.metrics_names[1], scores[1]*100))  
26. # calculate predictions  
27. predictions = model.predict(X)  
28. #print predictions  
29. # round predictions  
30. rounded = [round(x) for x in predictions]  
31. #print(rounded)